大规模 Gaussian Splats 数据集及其自监督预训练

基于摘要分析。本文研究如何直接在 3D Gaussian Splatting（3DGS）表示空间中进行三维理解，主要贡献是构建 ShapeSplat 数据集，并提出 Gaussian-MAE，用于无监督预训练及分类、分割任务的监督微调；研究对象是三维视觉表示，而非 EEG 或 BCI。 数据方面，作者基于 ShapeNet 和 ModelNet 构建 ShapeSplat，包含 65K 个对象、87 个不同类别，标签沿用各自来源数据集。作者报告，数据集创建消耗了相当于单张 TITAN XP GPU 运行 2 年的计算量；这一成本对应数据集生成，不能直接视为预训练或下游复现成本。 机制方面，作者报告，优化后的 Gaussian 质心分布与用于初始化的均匀采样点云存在显著差异；在仅使用质心的比较中，这种分布变化伴随分类表现下降、分割表现改善。为利用质心之外的 Gaussian 参数，Gaussian-MAE 在归一化特征空间中进行 Gaussian feature grouping，并使用 splats pooling layer，对相似 Gaussian 进行分组和嵌入。作者报告，这些设计改善了下游微调表现，但摘要未提供具体指标、提升幅度及完整对照协议。 复现时需核对质心与额外参数各自的贡献，以及分组、归一化和池化设计的实验依据；掩码策略、重建目标、数据划分、消融及统计信息尚未验证。作者称数据集与模型已公开，具体资源内容及运行条件尚未核验。该方法依赖三维 Gaussian 表示及其参数结构，当前材料未建立其与 EEG 数据的具体机制对应关系，因此不据此推断 BCI 迁移效果。